You are on page 1of 35

UNIDAD N 1 DISTRIBUCIN DE PROBABILIDADES

Competencia:

-Identifica y utiliza correctamente los modelos probabilsticos en la resolucin de problemas inherentes a variables aleatorias en forma general. Objetivos. -Resolver correctamente todo tipo de problema que tengan que ver con la incertidumbre , mediante la utilizacin de los modelos probabilsticos Descripcin general de la unidad: -Esta unidad comprende el desarrollo de las diferentes distribuciones de probabilidades tanto discretas como las continuas con sus respectivas caractersticas ms aplicadas en el campo de la Ingeniera Tema N1 :Distribuciones Discretas Competencia: Identifica y utiliza los Modelos de Distribuciones Discretas en la resolucin de problemas inherentes a variables aleatorias discretas Descripcin del tema:Se desarrollarn los principales Modelos de Distribucin Discretos, con sus respectivas caractersticas,para su posterior aplicacin a la resolucin de problemas. Tema N 2:Distribuciones Continuas Competencia: Identifica y aplica los principales Modelos de Distribucin Continuos en la resolucin de problemas inherentes a variables continuas Descripcin del tema:Se desarrollarn los Modelos de distribucin Continuas ms utilizadas en la Ingeniera de acuerdo a sus caractersticas,y su posterior aplicacipn en la resolucin de problemas. Lectura:Millar/Freund/Jonson Probabilidad y Estadstica para IngenierosEdo.de Mxico 1992 Pgs. 93 al 128 Bibliografa Bsica: Moya y Saravia (1988) Probabilidad e Inferencia Estadstica((2 ed) Per .Pags.407 al 553 Referencia electrnica: http://www.itchihuahua.edu.mx/academic/industrial/sabaticiruta/private/01UNIDAD%20IV.uhtm

INTRODUCCIN Entre uno de los objetivos de la Estadstica Matemtica es de determinar una distribucin de probabilidad o un modelo probabilistico que satisfaga una serie de supuestos para analizar los resultados obtenidos de un experimento aleatorio. Entre las distribuciones de probabilidades tenemos: a) Las distribuciones discretas como ser la Bernoulli, Binomial, Hipergeomtrica, Geomtrica, Poisson, etc. b) Las Distribuciones continuas tenemos la Uniforme, Experimental, la Normal, X2, F, t DISTRIBUCIONES DISCRETAS t Son aquellas distribuciones cuya variable aleatoria es discreta 1.DISTRIBUCIN BERNOULLI : XBernoulli (p) Se tiene la distribucin Bernoulli, cuando las pruebas ensayos son de carcter dicotmico, es decir slo tienen 2 posibles resultados: E = xito ; F = fracaso

= [ E, F ]

por ejemplo: Sean los siguientes experimentos aleatorios:

1 : Lanzar una moneda 1 = [C , S ] 2 Determinar el sexo del 2 = [V , M ]


3 : verificar el resultado de un examen 3 = [a, r ]

DEFINICIN Se dice que una v. d. XBernoulli sii sv Rx= [0,1]; donde la V.A.D. x: N de xitos obtenidos en un ensayo dicotmico; cuya FUNCIN DE PROBABILIDAD O CUANTA p(x)=p[X=x]=px(1-p)1-x; Rx= 0.1 Donde p = probabilidad del xito q = probabilidad del fracaso de tal manera que p+q=1 p = 1-q q = 1-p cuya distribucin de probabilidad y representacin con grfico es: x P(x)

0 q 1 p
P(x)

p q
x

FUNCION DE DISTRIBUCION ACUMULADA F (x) F(x) = p (X x) = 0 9 1 si si si x<0 0 x<1 x1

CARACTERISTICAS Entre sus principales caracteristicas tenemos: 1) LA MEDIA


E ( x) = = xP( x) = p E ( x) = = 0(q) + 1( p ) = p

x P( x)

0 9

1 p p p

xP( x) 0

Mediante la F.g.m. sabemos que uno de los teoremas de la f.g.m.


d r M x (t ) por lo tanto debemos antes determinar t =0 dt r la fgm = M x (t ) = E etx = etx p x q1 x desarrollando la

'r =

[ ]
0 10

fgm = M x (t ) = e

t ( 0)

p q

+e

t (1)

pq

1 11

=
t

q+etp
t =0

sabemos que E ( x) = = '1 = 2) LA VARIANZA


V ( x) = 2 = E ( x 2 ) 2 =

d ' (q + e p) dt '

= 0 + pet

t =0

pe 0 =

p x q1 x p 2
p.q
2 2

V ( x) = 2 = 0 2 p 0 q10 + 12 pq 0 p 2 = p (1 P ) =

mediante la f.g.m. V ( x) = = '2 d ' ' M x (t ) d ' q + et p donde ' 2 = t =0 = dt ' ' dt ' p.

t =0

= pe t

t =0

= pe 0 =

V ( x) = p p 2 = p(1 p) =

DISTRIBUCIN BINOMIAL

X B(n,p) b(x :np)

Se llama experimento aleatorio binomial a un N fijo n de reiteraciones independientes de un experimento aleatorio Bernoulli que tiene las siguientes caracterstica: 1. Los resultados de cada prueba son de carcter dicotmico, es decir Bernoulli 2. Las n pruebas Bernoulli son independientes 3. La probabilidad de xito p supuestamente se mantiene constante en cada prueba DEFINICIN una v.a.d Xb(n,p), donde X : N de xitos obtenidos en n ensayos Bernoulli con Rx = 0,1,2,3,... n cuya FUNCIN DE PROBABILIDAD O CUANTA P(X)= P[X=x]=( x )pxqn-x:Rx0,1,2,3...n Donde p = probabilidad de xito q = probabilidad de fracaso n = N de ensayos Bernoulli FUNCIN DE DISTRIBUCIN ACUMULADA F(x) F(x)= P(X x) =B(x;np)= (k ) p k q n x
k =0 1 0 x n

0 si x < si 0 x < n si x > n

CARACTERSTICAS 1) LA MEDIA E ( x) = = xP( x) = x( x) p x q n x = np


Rx n

2) LA VARIANZA V ( x) = 2 = E ( x 2 ) 2 = x 2 ( x) p x q n x (np ) 2 = npq 3) LA FGM M x (t ) = E e tx = [1 + p (e t 1)] n

[ ]

RESOLUCIN DE PROBLEMAS CON MODELOS PROBABILISTICOS

Para resolver correctamente problemas inherentes a modelos probabilisticos, se sugiere en un principio seguir los siguientes pasos: 1. Determinar el tipo de distribucin de probabilidad que sigue la v. a. X de acuerdo las caractersticas del experimento en cuestin. 2. Definir la v. a X de manera clara y completa con su Rx. 3. Determinar los parmetros de la funcin de probabilidad. 4. Utilizar correctamente la funcin de probabilidad, la acumulada tablas CPU. Ejemplo La probabilidad de que cierto ordenador de cine marca determinada falla, ante una descarga elctrica es del 1%cuales son las probabilidades de que entre 10 ordenadores de dicha marca en un laboratorio. a) b) c) d) 3 fallen a lo ms 2 fallen al menos 3 fallen el promedio y varianza que un ordenador falle

SOLUCIN 1) Como todo ordenador tiene slo 2 posibles resultados falle o no falle (dicotmico) 2) Suponiendo que cada ordenador funciona independientemente 3) Suponiendo que la probabilidad de falla de los ordenadores es casi constante Entonces asumimos que la v.a.d. X b(n. p) P(x)=( x )px qn-x Rx =0,1,2....n Donde la v. a. d. X: N de ordenadores que fallan ante una descarga elctrica de entre 10 10 n=10: p=0.01:q=0.99 Rx=0,1,2.......10 P( x) = x 0.01x 0.9910 x ; R x = 0,1,2...10 a) 3 fallen P( x = 3) = 3 (0.01) 3 (0.99) 7 = 0.00011
10
n

b) a los ms 2 fallen P( x 2) = P ( x) = P(0) + 1P(1) + P(2) = 0.9999


0

c) al menos 3 fallen P( x 3) = P( x) = P(3) + P(4) + ... + P(10)


3

10

mediante el complemento P( x 3) = 1 P( x 2) = 1 0.9999 = 0.00011 d) El promedio E(x)=np=10(0.01)=0.1=10% La Varianza V(x):npq=10(0.01)(0.99)=0.099 APLICACIN DE LA BINOMIAL EN EL MUESTREO

Considerando cada elemento de una muestra aleatoria (m.a.) como un ensayo Benoulli entonces la Distribucin Binomial puede aplicarse en el muestreo bajo las siguientes circunstancias: 1. Cuando el muestreo es con o sin reemplazo de una poblacin infinita o muy grande 2. Cuando el muestreo es con reemplazo de una poblacin pequea o finita Bajo estas 2 circunstancias entonces la v.a.d. X se define X:N de elementos de la clase de nuestro inters en una m.a. de tamao n Donde p =

K N de elementos denuestro int eres = N Poblacin x n x n k k p ( x) = P[ X = x] = x 1 : x = 0,1,2,3...n N N

NOTA.- en la prctica el muestreo se lo realiza sin reemplazo de poblaciones finitas especialmente cuando se realiza control de calidad, por lo tanto la distribucin adecuada es la hipergeomtrica. USO DE TABLAS Cuando el tamao de la m.a. es muy grande (n 30) el clculo de las probabilidades resulta tedioso porque lo que se sugiere utilizar paquetes estadsticos las tablas las que estn construidas en trminos de la funcin de distribucin acumulada F(x); para ello se debe utilizar las siguientes relaciones Para probabilidades acumuladas
F ( x) = P[X x ] = B( x; n. p) =

b(k ; n. p); x = 0,1,2....n


k =0

Para probabilidades puntuales P(x=x)=b(x:n.p)= B(x:n;p)-B((x-1);n.p)

Ejemplo En una importacin de computadoras muy grande, se sabe que por experiencia que el 25% de las mismas estn infectadas con cierto virus. Se relaciona al azar 20 computadoras del lote de importacin, para efectuar un control de calidad. a) Cual es la verdadera distribucin de probabilidad y cual debe asumirse por necesidad del N de computadoras infectadas con el virus b) Cual es la probabilidad de que 3 cpu estas infectados

c) Cual la probabilidad que ms de 3 estn infectadas d) Determinar la media, la varianza y la desviacin estndar SOLUCIN a) Como se trata de realizar un control de calidad la verdadera distribucin es la hipergeomtrica, pero como no se conoce la poblacin N se asume la distribucin Binomial. X b(n,p) p( x) = x (0.25) x (0.75) 20 x
20 x = 0,1.2...20

Donde P=0.25; q=0.75; n=20; x:N de CPU infectados en una m.a. de 30 Rx=0,1,2......20 b) P P( x = 3) = 3 (0.25)3 (0.75)17 = 0.1339
20

Tablas P(x=3)=b(3;20;0.25)=B(3;20;0.25)-B(2;20;0.25)=0.2252-0.0913=0.1339
20 19 18 17 0 2 3 c) P(x > 3) = P(x) =1 P(x 3) =1 P 0 (0.25) (0.75) + 1 0.25(0.75) + 2 0.25 (0.75) + 3 0.25 (0.75) = 0.7748 20 4 20 20 20 20

tablas P[x>3]=1-P[x 3]=1-B(3;20;0.25)=1-0.2252=0.7748 d) E ( x) = = np = 20(0.25) = 5 ;V ( x) = 2 = npq = 20(0.25)(0.75) = 3.75 = 1.94 DISTRIBUCIN GEOMTRICA Esta distribucin es una de los casos especiales de la Binomial y se utiliza cuando existe un proceso Bernoulli y se desea obtener el primer xito. DEFINICIN Se dice que la v.a.d.x...G(p): donde p= probabilidad del xito en cada intento Donde X:N de ensayos Bernouli hasta obtener el 1er xito Rx=1,2,3... FUNCIN DE PROBABILIDAD P(x)=P[x=x]=pqx-1 : Rx=1,2,3... FUNCIN DE DISTRUBUCION F(x)=P[x x]= 0 1-qx si 1 LA MEDIA
E ( x) = =

si x<1

xP( x) = p
1

LA VARIANZA V ( x) = 2 = E ( x 2 ) 2 = LA DESVIACIN TPICA = V ( x) = LA f.g.m M x (t ) = p[q e t q 2 ] =


1

q p2 q p2

p q et q 2

PROPIEDADES 1. No tiene memoria

2. Es decreciente, es decir P[x]<P(x-1) Ejemplo

x = 2,3

1. Si la probabilidad que un postulante para aprobar la tesis en un intento al finalizar sus estudios acadmicos es del 75% cul la probabilidad de que un postulante apruebe la tesis? a) b) c) d) En el primer intento En el segundo intento En el cuarto intento Cual su esperanza matemtica

SOLUCIN Como X~G(p) P(x)=0.75(0.25)x-1 hasta aprobar la tesis Rx =1,2,3...donde p=0.75; q=0.75; N de intentos

a) Primer intento X=1 ) P(x=1)=(0.75)(0.25)1-1=0.75=75% b) Segundo intento X=2 P(x=2)=(0.75)(0.25)2-1=0.1875 19% c) Tercer intento X=4 P(x=4)=(0.75)(0.25)4-1=0.0117 2% Ejemplo 2. Suponga que la probabilidad de obtener lnea durante la mayor congestin de llamadas telefnicas de un canal de TV es del 3% en cada intento que se haga. Calcular la probabilidad de que sean necesarios exactamente a) 6 intentos para tener lnea b) A lo mas 3 intentos SOLUCIN XG(p) P(x)= 0.03(0.97x-1 : Rx= 1,2,3,. p =0.03 : q =0.97 x: N de intentos hasta obtener lnea Rx= 1,2,3,. a) x= 6 intentos P(x=6) = 0.03(0.97)6-1 = 0.0258 b) x 3 P(x 3)= F(x=3)= 1-qx= 1-0.973= 0.0873 P(x 3)= P( x) = 0.03(0.97)0 + 0.03(0.97)1 + 0.03(0.97) 2 = 0.03 + 0.0291 + 0.02823 = 0.0873
1 3

DISTRIBUCION BINOMIAL NEGATIVA O PARCIAL

Es otro caso especial de la Binomial y es una extensin de la Geomtrica, que se utiliza cuando los experimentos aleatorios son tambin un proceso Bernoulli, hasta que ocurra el n-simo xito: DEFINICIN

. P(v. p) donde: Se dice que una v.a.d. x ~


r = N de exactos obtenidos p = probabilidad del xito X: N de veces o intentos que se realiza el experimento Beunoulli hasta obtener r xitos tal que r x; Sii FUNCION DE PROBABILIDAD

x 1 v xv P ( x ) = P[ x = x ] = v 1 p q : Px = v, (v 1) : (v 2 )...
FUNCION DE DISTRIBUCIN F(x)
0 P ( x x ) = k 1 r k r : Si p q : Si r 1 x<r xr

LA MEDIA

x 1 v x v v E ( x ) = = x v 1 p q = p
LA VARIANZA

V ( x) = 2 = E ( x 2 ) 2 =
Ejemplo 1

rq p2

Una maquina se utiliza para fabricar ciertos chips en serie se sabe que la probabilidad de cada chip sea defectuosos es del 10%. Si se controla la calidad del CHIP producido sabiendo que la maquina se apaga cuando se producen 4 chips defectuosos; cual es la probabilidad de que la maquina pare en el 10mo chip producido. p=10 q =90 v=4

10

x=10

x 1 x4 4 x~ . P (v, p ) = P ( x ) = 4 1 (0.1) (0.9 ) : Rx = 4, T ,6... x :" N de chips producidos hasta controlar 4 defectuosos A :" la maquina pare A = [x = 10]

10 1 4 10 4 P( A) = P[x = 10] = 4 1 (0.1) (0.9 ) = 84(0....... = 0.0045


Ejemplo 2 La probabilidad que un CPU de cierta marca expuesto a cierto virus se contagie es del 0.40. cual es la probabilidad de que la 10ma CPU expuesto sea al 3ra en contraerla SOLUCION p =0.40 q =0.60 v =3 x =10

x 1 v x v x~ . P ( v, p ) = P ( x ) = v 1 p q : x : v, v + 1, v + 2,... x :" N de CPUs exp uestos al virus hasta 10 a sea la 3 a en contraerla 9 3 7 P[x = 10] = 2 (0.40 ) (0.60 ) = 0.0645 DISTRIBUCIN MULTINOMIAL
Es una generalizacin de la distribucin Binomial, se utiliza cuando se tienen ensayos o experimentos aleatorios que tienen ms de 2 posibles resultados, donde las probabilidades de los resultados son los mismos en cada ensayo, todos los ensayos son independientes. DEFINICIN Sea un experimento aleatorio que tiene las siguientes caractersticas 1) tiene K posibles resultados E1,E2.... Ek que son: a. Mutuamente excluyentes E : Ej. = b. Colectivamente exhaustivos E i =
i =1 k

i j

2) La P[Ei ] = pi = probabilidad del xito del i esimo resultado tal que Pi = 1


i =1

11

Se dice que las vs.as.ds. xi ~ . Multinomial (n, pi ) : i = 1,2,3...k Donde Xi:N de veces que el evento Ei ocurre en los n ensayos Rxi=[0,1,2...n];i=1,2,3...k Sii FUNCIN DE PROBABILIDAD P(x1,x2.... xk)= MEDIA E(xi)=npi LA VARIANZA V(xi)= npiqi donde qi=1-pi Ejemplo Las probabilidades de que una lamparilla de cierto tipo de proyector de diapositivas dura menos de 40 hrs. de uso continuo es 0.30 Entre 40 y 80 hrs. de uso continuo es 0.50 de mas de 80 hrs. de uso continuo es 0.20 respectivamente Calcular la probabilidad de entre 8 lamparillas: 2 duran menos de 40 hrs. 5 duran menos de 40-80 hrs. 1 dura mas de 80 hrs. SOLUCION Sean los eventos E1:Duran menos de 40 hrs P[E1] = 0.30 E2:Duran entre 40 y 80 hrs P[E2] = 0.50 E3:Duran menos de 80 hrs P[E3] = 0.30 Como E i Ej = y U = ademas P ( E1 ) = 1
xi ~ . Multinomial (ni pi )
i =1 3

n! x x x p1 1 p 2 2 ... p k k x1! x2 !...xk !

i=1,2,...k

x :" N devecesqueocurreeleventoEi (i = 1,2,3)entre 8 lamparillas x1 = 2 8! x 2 = 5 P (2,5,1) = (0.30) 2 (0.50) 5 (0.20)1 = 0.0945 2!5!1! x3 = 1

Ejemplo

12

La probabilidades que una declaracin de impuestos sea llenado correctamente es del 60% que tenga un error favorable del declarante es del 20% que tenga un error favorable al fisco es del 10% que tenga ambos tipos de errores es del 10% Se elige al azar 10 de tales declaraciones para una auditoria Cual es la probabilidad que 5 estan correctas; 3 tengan error favorable al declarante 1tenga error que favorece al fisco y 1temga ambos tipos de error. SOLUCION Sean los eventos E1: Declaracin correcta P[E1] = 0.60 E2: Declaracin favorable al declarante P[E2] = 0.20 E3: Declaracin favorable al fisco P[E3] = 0.10 E4: Declaracin error de ambos tipos P[E4] = 0.10 Como E i Ej = ademas P ( E1 ) = 1
UEi = x1 ~ . Multinomial (10, pi )
x :" N de veces que ocurre el evento Ei (i = 1,2,3,4)entre 10 declaraciones
P(5,3,11) = 10! (0.60) 5 (0.20) 3 (0.10)1 (0.10)1 = 0.0314 5!3!1!1!

DISTRIBUCIN HIPERGEOMTRICA Esta distribucin se utiliza generalmente cuando se realiza un muestreo sin repeticin de una poblacin finita N conocida que se divide en : 2 clases M xito y N-M fracasos, donde la probabilidad del xito ya no es constante porque en cada extraccin es diferente por lo tanto los ensayos ya no son independientes, tiene mucha aplicacin cuando se efecta control de calidad.

DEFINICIN Se dice que una v.a.d X ~ H(N,nM) h(x:NnM)donde

13

N =tamao de la poblacin X:N exactos en un m.a. de tamao n sin reposicin n =tamao de la m.a. N de extracciones Rx=[0,1,2..Min (n, M) Sii M =N de elementos exitosos FUNCION DE PROBABILIDAD
M N M x n x p ( x) = P[x = x ] : R c = 0,1,2...Min(n.M ) N n

FUNCION DE DISTRIBUCIN

0 x F ( x) = P[x x ] = k =0 1
MEDIA
E ( x) = =

M N M k n k N n

Sii

x<0

0 x < Min(n, M )
Si x Min ( n , M 9

xP( x) = n N

VARIANZA

M M N n V ( x) = 2 = n 1 factor de correccin N N 1 N
Ejemplo Como parte de un estudio sobre la contaminacin del aire un Ing. Geolgico decide examinar la emisin de gases txicos de 6 de los 24 camiones de una CIA si 4 de esos camiones, emiten cantidades de gases txicos. Cual es la probabilidad de que: a) Ninguno de ellos b) Mas de 3 emitan gases SOLUCION Como se trata del control de calidad X~H(N,n,M)

14

N = 24 n=6 M =4 xitos N-M = 20 fracasos

4 20 x 6 x P ( x) = 24 6

x = 0,1,2,3,4

4 20 0 6 0 38.760 = = 0.2880 a) P( x = 0) = 134.596 24 6 4 20 b) P[x > 3] = P( x 4) = P(4) = 4 6 4


Ejemplo En el laboratorio de Sistemas hay 20 CPUs donde existen 6 CPUs con desperfecto. Si se elige aleatoriamente 4 CPUs para su reparacin. a) cual es la probabilidad de que al menos 1 CPU deba ser reparado b) cual es el N esperado de CPU para ser reparado y su varianza SOLUCION Como se trata de control de calidad y se tiene el tamao de la poblacin N = 20 n=6 M =4 N-M = 14 X~H(N,nM) Donde X: N de CPUs que tienen desperfecto de entre 20 Rx=0,1,2,3,4

24 190 6 = 134596 = 0.0014

15

6 14 0 4 a ) P(x 1) = 1 P ( x 0) = 1 20 4

= 0.7934

M 6 b) E ( x) = n = 4 = 1.2 N 20 6 20 4 M M N n 6 V ( x) = n 1 = 4 1 N N N 1 20 20 20 1 24 14 16 5.376 = 0.7074 V ( x) = = 20 20 19 7.600


APROXIMACIN DE LA HIPERGEOMETRICA A LA BINOMIAL Cuando la poblacin N es grande con relacin a n es mximo el 10% de N; n 0.1N por lo tanto el muestreo puede ser con o sin reemplazo, por lo tanto la probabilidad del xito son casi independiente se puede aproximar a la binomial con p =
n M M h( x, N , n, M ) b( x : nM ) x 1 N N
x n x

M : q = 1 M n

: x = 0,1,2...MIn(nM )

LA MEDIA
M E x = = np n N

LA VARIANZA
M M V ( x) = 2 = npq n 1 N N

Ejemplo Una importacin de 100 computadoras, de las cuales 25 se sabe que tienen desperfecto. Se realiza un control de calidad para ello se toman 10 computadoras, cual es la probabilidad: a) de que 2 tengan desperfectos b) cual el N esperado de CPUs con desperfecto y para ello utiliza la verdadera distribucin y una aproximacin si se puede

16

SOLUCION Como se trata de control de calidad


M N M x M x La verdadera distribucin X ~ H(N.n.M) p( x) = N n

N = 100 n = 10 M =25 N-M =75 X: N de computadores que tienen desperfecto entre 10


R x = 0,1,2....10 25 75 2 8 a) P(x = 2) = = 0.292 100 10 25 b) E (x ) = 10 = 2 .5 100

Como n=10 N 10/de 100 se puede aproximar mediante la binomial


25 M = = 0.25 N 100 M q = 1 = 075 N 10 2 8 a ) p ( x 2) = 2 (0.25) (0.75) = 0.2515 p=

DISTRIBUCIN MULTIVARIADA Es una extensin de la hipergeomtrica y se aplica cuando se realiza control de calidad de una poblacin que se clasifica en k clases de diferentes tipos M1, M2, Mk Tal que N= U M i donde se extraen un m.s. de tamao n sea reposicin de una poblacin
i =1 k

tamao N, donde: a) Cada extraccin tiene k posibles resultados b) Los ensayos no son independientes

17

DEFINICIN Se dice que los vs.as.ds. Xi ~ Multivariante Donde Xi=N de objetos del i-esimo tipo Rxi=0,1,2... Mn(Mi,n) Sii tal que

=n

FUNCION DE POBABILIDAD

M 1 M 2 M k ... x 1 x 2 x k P(xi,x2... xk: N,n)= N n


Ejemplo En un depsito hay 20 TV de los cuales 10 son de 20: 6 de 18 ;4 de 15, se elige al azar 10TV. Cual es la probabilidad de que haya 5 de 20, 3 de 18 y 2 de 15. SOLUCION Como N= M1+ M2+M3=10+6+4=20 xi ~Multivariado M1=N TV de 20 = 10 x1 =5 M2= N TV de 18=6 X2=3 M3= N TV de 15=4 X3=2 Xi: N de TV del i= esimo tipo Rxi=0,1,2,3,4 i=1,2,3

10 6 4 5 3 2 7.560 = = 0.1637 p (5,3,2 : 20 : 10) = 46.189 20 10

DISTRIBUCIN DE POISSON Por su aplicacin es una de las mas importantes tanto como Proceso Poisson o como aproximacin a la Binomial 1) COMO PROCESO POISSON Se considera como proceso, cuando la v.a.d. X es el N de eventos que ocurren en un intervalo de tiempo o en una regin espacio o volumen. DEFINICIN Se dice que una v.a.d. x ~ p (t ) x~ f ( xi ; t )

18

donde =N promedio de ocurrencias de eventos en una unidad de medida: que pueden ser intervalo de tiempo, regin especificad, dichas ocurrencias son independientes Sii FUNCIN DE PROBABILIDAD
P ( x) = P ( X = x) = t x e t : x = 0,1,2,3... e = 2.71828..

donde t = N promedio de ocurrencias de los eventos en las t unidades de medida cuando t= fijo t=

P ( x) = P ( x = x) =

x e
x!

: x = 0,1,2,3

FUNCIN DE DISTRIBUCIN
0 Si x < 0 x k e F ( x) = P[x x ] = x0 k! = 0 LA MEDIA E ( x) = = t =

LA VARIANZA V ( x) = 2 = t = USO DE TABLAS Para facilitar el calculo se tiene confeccionados tablas en funcin de distribucin
F ( x) = P[x x ] = F ( x : )

En caso de valores puntuales P[x = x] = f ( x, ) = F ( x; ) F ( x 1 : ) Ejemplo Supongan Que llegan en forma aleatoria una serie de llamadas a una central telefnica con promedio de 3 llamadas por minuto. Calcular la probabilidad de que ocurran: a) 4 o ms llamadas en el periodo de un minuto b) 4 o mas llamadas en el periodo de 2 minutos c) 4 o mas llamadas en el periodo de 20 segundos

19

SOLUCION Como la ocurrencia de los eventos se da en periodos de tiempo x ~ . P(t ) Donde = 3 llamadas t=1 minuto P( x) = x:N de llamadas en un minuto
4

3 x e 3 x!

x = 0,1,2,3...

P( x 4) = P( x ) = 1 P[x 3] = 1 [P(0) + P(1) + P(2) + P(3)] 3 0 e 3 31 e 3 3 2 e 3 3 3 e 3 =1 + + + 1! 2! 3! 0! 0 3 9 27 3 3 = 1 e + + + = 0.3520 1 1 2 6 b) t = 3 * 2 = 6 P ( x 4 ) = 1 P( x 3) = 1 F (3) = 1 0.151 = 0.849 ) = 1 P( x 4) = 1 P(x 3)1 F (3) = 1 0.9801 = 0.019 c) t = 3( 1 3
a) 2) COMO APROXIMACIN A LA BINOMIAL Cuando la muestra N y la probabilidad del evento es muy pequeo existe distribucin binomial, es decir p<0.1 y np 5: p 0.005: n 20: n>30 Entonces se puede utilizar la PISSON como lmite o aproximacin de la binomial Donde E ( x) = np = cte
P ( x) =

t x e t
x!

x e b x i n p = x!

x = 0,1,2
x e
x! x = 0,1,2,3... = np = cte

FUNCION DE PROBABILIDAD P( x) = FUNCION DE DISTRIBUCIN


: Si x < 0 0 x k e F ( x) = P[x x ] = : x0 k ! 0 k = LA MEDIA E ( x) = = np =

LA VARIANZA V ( x) = 2 = = np

20

Ejemplo Se sabe que el 5% de la CPUs ensamblados en cierta factora tiene ensamblaje defectuoso. Cual la probabilidad de que 2 de 100 CPUs ensamblados estn defectuosos: a) mediante la verdadera distribucin b) mediante una aproximacin SOLUCION n =100 p = 0.05 q = 0.95
x 10 x 100 a) x ~ . b(100;0.05) p( x) = x (0.05) (0.95) ; x = 1,2,3...100 x =" N CPUs mal ensambladas entre 500" 2 10 2 100 = 0.0812 P ( x = 2) = 2 (0.05) (0.95) b)mediante una aproximacin a la POISSON

= np = 100(0.05) = 5 P( x) =
P ( x = 2) =

5 x e 5 : x = 0,1,2 x!

5 2 e 5 25(e 5 ) = = 0.0842 2! 2

PROPIEDAD REPRODUCTIVA Si 2 o mas variables tienen una misma distribucin entonces la resultante de sumar o restar ser una nueva variable que tendr la misma distribucin de probabilidad que sus sumandos.
. misma distribucin Si Xi ~ misma distribucin Si x i = Y ~
i =1 n

i= 1,2...n

Si X i ~ . P( i ) i = 1,2,...n
Y =

x
i =1

Y~ . P ( =

21

Ejemplo En una fabrica el N de accidentes por semana sigue un proceso de POISSON con parmetro = 2 . Determinar: a) la probabilidad de que haya 4 accidentes en el transcurso de 3 semanas b) la probabilidad que haya 2 accidentes en una semana y otros 2 accidentes en la semana siguiente c) Es lunes y ya hubo un accidente. La probabilidad que en aquella semana no haya mas de 3 accidentes SOLUCION Definiendo las variables POISSON con parmetro i = 2 : i = 1,2,3 X= N de accidentes en cualquier semana X1: N de accidentes en la 1ra semana X2: N de accidentes en la 2da semana X3: N de accidentes en la 3ra semana
. P ( = 2 + 2 + 2 = 6 Como las 3 v.a son independientes Y = x1 + x 2 + x 3 ~ 4 6 6 e = 0.1339 Y :" N de accidentes en 3 semanas" a) P(Y = 4) = 4! 2 2 e 2 b) P( x1 = 2 X 2 = 2) = P( x1 = 2) P( x 2 = 2) = 2! = 0.0733

1 = 2 2 = 2

c) P (x 3 x 1) =

P[( x 3 P( x 1)] P(1 x 3) P( x 3) P( x 0) = = P( x 1) P( x 1) P( x 1) 0.8647 0.1429 = = 0.8348 0.8647

DISTRIBUCIONES CONTINUAS Los espacios mustrales continuos y las v.a.c. surgen cuando se trabaja con cantidades que se miden en una escala continua (velocidad de una CPU; la cantidad de alcohol en la sangre, la cantidad de nicotina en un cigarrillo, etc.) Entre las principales distribuciones de probabilidad continua tenemos la uniforme, la experimental, la norma, algunas distribuciones mustrales como la Chi cuadrado, la t estudiante, la Fisher, etc.)

22

LA DISTRIBUCIN UNIFORME X~U [a,b] DEFINICIN Se dice que una v.a.c. X tiene distribucin uniforme o rectangular en el intervalo [a, b] tal que a< b Sii FUNCION DE PROBABILIDAD O DENSIDAD
1 f ( x) = ;a x b b a ; eoc 0

1 ba

c d

Para cualquier sub. intervalo [c, d] donde


a c d b P[c x d ] =

1 1 dx = ba ba

[x]

1 [d c] = d c ba ba

adems P(x=x) =0 Se dice distribucin uniforme porque la P[c x d ] es la misma para todos los sub intervalos que tienen la misma longitud. FUNCION DE DISTRIBUCIN O ACUMULADA
x 1 1 xa dx = dx = aba ba ba Si x < a 0 x a Si a x < b F ( x ) = P[x x] = ba 1 Si x ba

F ( x) = P[x x] =

F(x)

a LA MEDIA
= E ( x) = x
b

1 a+b dx = ba 2

LA VARIANZA
V ( x) = 2 =

x2

(b a )2 = (a b )2 1 a+b dx = 12 12 ba x
2

23

Ejemplo 1 Suponga que un punto es elegido al azar en el intervalo (1;4) Calcular la probabilidad de que el punto est: a) En la posicin 3 b) El punto este entre 3/2 y 3 SOLUCION X ~ U[a, b]donde a =1 ; b =4 X: posicin del punto en el intervalo [1,4]

0 Si x < 1 1 x 1 Si 1 x < 4 f ( x) = ; 1 x 4; F ( x) 3 4 1 Si x 4 ; eoc 0 1


a ) P( x = 3) =
3

1 1 3 1 dx = [x ]3 = (0) = 0 3 3 3

1 3 1 3 1 3 1 3 31 b) P < x < 3 = 3 dx = [x ] 3 = 3 = = 2 3 3 2 3 2 2 23 2
o tambin mediante la funcin distribucin acumulada
3 P < x < 3 = P[x < 3] P x 2 3 1 1 2 2 = 2 = 2 3 3 3 3 3 3 = F (3) F 2 2 = 3 1 = 6 2

Ejemplo 2 Suponga que cierta lnea de transporte publico pasa por un determinado paradero de control o de espera, a un horario estricto con intervalos de 30 minutos durante el da. Si un pasajero llega a ese paradero en un instante aleatorio durante el da. Calcular la probabilidad de que tenga que esperar: a) ms de 15 minutos b) Exactamente 7 minutos

24

SOLUCION X ~ U[0.30]donde a = 0 ; b =30 X = tiempo de espera en minutos del pasajero


0 1 x x0 = f ( x) = ; 0 x 30; F ( x) 30 0 30 30 ; eoc 1 0
a) P ( x > 15) = b) P[x = 7] = 0

Si x 0 Si 0 x < 30 Si x 30

30

15

1 1 30 15 1 [x]15 = = minuto dx = 30 30 30 2

Ejemplo 3 Sea la v.a. X...U[0,6] calcular

6 = 3 reemplazando 2 P[ x 3 > 2] = 1 P[ x 3 2] = 1 P[2 x 3 2] P[ x > 2] : sabemos que

= 1 P[1 x 5] = 1 P[ P ( x 5) P ( x < 1)] = 1 F (5) + F (1) =1 5 1 1 + = 6 6 3

DISTRIBUCIN EXPONENCIAL Es un caso particular de la distribucin gamma, que se aplica no solo a la ocurrencia del 1er acierto en un proceso POISSON, si no tambin en los tiempos de espera entre los aciertos; tambin se aplica en la teora de la confiabilidad de un sistema, y la teora de colas. DEFINICIN X ~ EXP ( ) Se dice que una v.a.c. X tiene distribucin exponencial con parmetro ( ) FUNCION DE PROBABILIDAD O DENSIDAD
F(x)

donde e = 2.71828...:; ( ) = Cte. >0 0

e f ( x) = 0

;x 0 ; eoc

= 0.368

25

FUNCION DE DISTRIBUCIN
F(x)

0 F ( x) = P[ X x] = x 1 e

Si Si

x<0 x0

MEDIA
= E ( x) = xe x dx =
0

VARIANZA

V ( x) = 2 = x 2 e x dx 2 =
0

Ejemplo 1 Si el N de automovilistas que corren a cierta velocidad, que un radar detecta por hora en cierta localidad es una v.a. POISSON con =8.4 hrs. Cual es la probabilidad de tomar un tiempo de espera menos a 10 minutos entre automovilistas sucesivos? SOLUCION X ~ EXP( ) donde =8.4 hrs. Donde X: tiempo de espera en minutos
8.4 e 8.4 x ; x 0 0 f ( x) = ; F ( x) = 8.4 x ; eoc 0 1 e Si Si x<0 x0

Como X =10 minutos x


1 Px = 6

1hora 1 = horas 60min 6


1 6

1 6

8.4e 8.4 dx =

e 8.4 x ( 8.4 )dx

= e 8.4 x

6 = e e 8.4( 0) = [0.2466 1] = 0.7534 1 6

8.4 ( 1 )

mediante la acumulada P[x < 1 ] = F (16 ) = 1 e8.4( 6 ) = 0.7534 6


1

26

Ejemplo 2 El tiempo durante el cual una marca de computadora que opera en forma efectiva antes de su primera reparacin, se distribuye exponencialmente con un promedio de fallas de 360 das a) Si una de estas computadoras ha durado al menos 400 das, cual la probabilidad de que dure al menos 200 das ms b) Si se estn usando 5 de tales ordenadores, cual la probabilidad de que al menos 3 de ellos continan funcionando despus de 360 das SOLUCION
1 X~EXP( ) X ~ EXP ( 360 ) 1 1 Como E(x)=360= = 60

1 f ( x) = 360 0

x 360

0 ;x0 ; F ( x) = x 360 ; eoc 1 e

Si Si

x<0 x0

X: tiempo que opera el ordenador hasta la primera falla


P [x 200 + 200 x 400 ] = [x 600 x 400 ] = P

[x

600 x 400 P [x 400 ]

] = p [x p [x

600 400

] = 600 ]

1 360

e e

x 360

dx dx

1 400 360

x 360

= e

5 9

mediante la acumulada
600 360 1 1 e 600 5 600 400 20 p[x 600] 1 P[x < 600] 1 F (600) 360 + 360 36 =e 9 e 360 = = = = 400 = e =e = e 0.5556 400 360 360 P[x 400] 1 P[x < 400] 1 F (400) e 1 1 e

RELACION ENTRE EL MODELO EXPONENCIAL Y POISSON La distribucin exponencial tiene una relacin especial con la PISSON porque X~P[ ]donde X: N de veces que ocurre un evento en un periodo t con promedio la v.a. T: tiempo entre la ocurrencia de 2 eventos consecutivos de POISSON T ~ EXP[ ] TEORIA DE LA CONFIABILIDAD (Rt) Una de las aplicaciones principales de la distribucin exponencial se da en la confiabilidad del funcionamiento normal de un sistema o componente electrnico.

27

DEFINICIN La confiabilidad (Rt) de un sistema en determinado medio ambiente, durante un periodo t, se define como la probabilidad de que su tiempo para fallar (T) excede a su tiempo de funcionamiento normal (t)
R (t ) = P[T > t ] = 1P[T t ] = 1 1 e t = e t

Ejemplo La probabilidad de buen funcionamiento de un elemento de cierto equipo de sonido se distribuye exponencialmente con:
0.02 e 0.02t ; t > 0 Determinar la confiabilidad del elemento en un periodo de 50 hrs. f (t ) = : eoc 0

SOLUCION
P[T > 50] = R(50) = e 0.02(50) = e 1 = 0.3679

DISTRIBUCIN NORMAL Es la distribucin mas importante de la teora estadstica, porque casi todos los fenmenos fsicos, cientficos sociales psicolgicos, tienen un comportamiento normal, adems casi todas las distribuciones bajo ciertos requisitos se pueden aproximar mediante la normal. DEFINICIN Se dice que una v.a.c. X ~ N( , 2 ) Sii FUNCION DE PROBABILIDAD
1
F(x)

f ( x) =

[( x ) / ]2 2

; < x <

donde

= 3.1416... e = 2.71828

= Me = Mo

28

CARACTERSTICAS 1. Es simtrica respecto a donde f ( x) =


1 2

2. Es creciente en el intervalo < , > cuando x< 3. Es decreciente en el intervalo < , > cuando x>

FUNCION DE DISTRIBUCIN

F(x) - 1

F ( x) = P[ x x] = x f ( x)dx

LA MEDIA
E ( x) = x f ( x)dx =

LA VARIANZA
V ( x) = x 2 f ( x)dx 2 = 2

F(x)

DISTRIBUCIN NORMAL ESTANDAR Estandarizar la Normal significa llevar o trasladar la distribucin hasta que = 0 y 2 = 1 Mediante la v.a.e.= z =
x

1 2
F(z)

; z....N (0.1)

=0 z

USO DE TABLAS Cuando la v.a.c. X ~ N( , 2 ) no esta estandarizada ( 0 : 2 1 ), la misma se la debe estandarizar con z = Ejemplo Sea X...N(5,4)cual la probabilidad de que x a) toma valores entre 4 y 7? b) Toma valores mayores que 10?
x

y colocar en acumulada F(z) ( z ) = P(z z )

29

SOLUCION a)P[4<x<7]estandarizando mediante z = donde = 5; 2 = 4; = 2


4 5 x 7 5 P < < = p[ 0.5 < z < 1] = p[z < 1] P[z 0.5] = F (1) F (0.5) = 0.8413 0.3085 = 0.5328 2 1

x 10 5 b) P[x > 10] = P > = P[z > 2.5] = 1 p[z 2.5] = 1 F (2.5) = 0.0062 2

Ejemplo El tiempo T requerido para contagiarse un computadora por cierto virus es una v.a. normal con media 31 segundos y desviacin estndar 5 segundos. a) Cual la probabilidad que un ordenador se contagie con el virus en menos de 35 segundos b) Si un ordenador particular se observa que no est siendo contagiado por el virus en 30 segundos, cual es la probabilidad de contagiarse antes de los 35 segundos SOLUCION T ~ N(31,5) T: tiempo requerido para contagiarse una CPU con el virus en segundos

4 T 35 31 a) P[T < 35] = P < = P z < = F (0.8) = 0.7881 5 5


b) P[T < 35 / T > 30] = P
31 31 ] = P[ 0.2 < z < 0.8] = F (0.8) F (0.2) = 0.3674 = 0.63 < z < 355 [30 < T < 35] = P[305 30 31 1 F (0.2) 0.5793 P[T > 30] P[z > 0.2] P[z > 5 ]

PROPIEDAD REPRODUCTIVA La distribucin normal tambin goza de esta propiedad, es decir: Sean n.v.a. independiente : X1+ X2+...+Xn donde Xi...N i ; i 2 si sumamos dichas variables

x
i =1

2 = Y ~ N y ; y donde y = i ; y = i2 2
i =1 i =1

n 2 Y~ = . N i ; y i =1

i2 i =1
n

30

Ejemplo Sea una v.a. y =


xi + x 2 x3 donde Xi...N i ; i 2 ; i =1,2,3 2

1 = 20 ; 2 = 25 3 = 25 2 2 12 = 5 ; 2 = 11; 3 =5

a) Cual la distribucin de probabilidad Y? b) Calcular P[Y>0] SOLUCION Como Xi...N i ; i 2 =Y...N y ; y 2 donde

y = E ( y) = E y =

x1 + x 2 1 x3 [E ( x1 ) + E ( x 2 )] Ex3 2 2

1 [20 + 16] 25 = 7 2 x + x2 1 2 = v ( y ) = v 1 x3 = [v(x1 ) + v( x 2 )] + v( x3 ) y 2 4 1 2 = [5 + 11] + 5 = 9 y = 3 y 4 Y~ . N (7;9) Y y 0 ( 7 ) 7 P[Y > 0] = P > = P z > = 1 F (2.33) = 1 0.9901 = 0.0099 3 3 y
TEOREMA CENTRAL DEL LIMITE Este es el teorema mas importante de la estadstica, porque mediante la misma nos permite aproximar a la distribucin normal sumas finitas de v.a. independientes, que pueden tener cualquier distribucin de probabilidad con media y varianzas conocidas DEFINICIN Sea una sucesin de n. v. a. i.: X1, X2, ... Xn Cuyas medias E(Xi)= i y cuyas varianzas V(Xi)= i2 (conocidas y finitas)
Si sumamos los n.v.a.i.: X1+X2+...+ Xn=Yn, con la condicin que los Xi contribuyan con

una cantidad mnima despreciable a la variacin de la suma

31

La

v.a.e. de la variacin: 1) Z n =


xi
n i =1 i =1

Yn

i =1

2 i


2 i

;Zn ~ . N (0.1)

CASO ESPECIAL Cuando Xi....MISMA DISTRIBUCION La secuencia de las n.v.a.i.: X1,X2,..., Xn E(Xi)= y V(Xi)= 2 Yn=X1+X2+...+ Xn= x1 2) Z n =

x = x n = x n
i i 2 2

n n

tambin dividiendo entre n


Zn =
xi n n n n

(x n )

n; Zn ~ . N (0.1)

Ejemplo1 Suponiendo que la vida til de un componente electrnico de uso continuo, tiene distribucin exponencial, con un promedio de 100 hrs. Tan pronto como se deteriora, es reemplazado por otro para que contine funcionando. a) calcular la probabilidad de que durante 209,5 das se necesiten mas de 36 de estos componente b) cuantos de estos componentes se necesitan par que duren al menos 4536 hrs., con una probabilidad de 0.9901 SOLUCION
1 Como X i ~ . EXP donde X: Duracin del i=esima componente en horas I=1,2,......36 1 E ( x) = = 100

Donde
V ( x) =

= 100 ; = 100;
2

Yn: tiempo total de duracin de los n componentes

n=36 n.u = 36(100) Z n = a)

Y 36 3600 100 36

Y 36 3600 600

32

5028 3600 P[Y36 < 5028] = estandarizando P Z 36 < 600 P[Z 36 < 2.38] = F (2.38) = 0.9913

b)

P[Yn 4.536] = 0.9901 1 P[Yn 4.536] = 0.9901 P[Yn 4.536] = 1 0.9901 = 0.0099 estandarizado

4.536 100n P Z n = 0.0099 donde el valor crtico 100 n 4.536 100n = 2.33 resolviendo la ecuacin haciendo X = n 100 n X = 8.018 n = x 2 = 8.018 2 n = 64.3 64

Ejemplo 2 La longitud que se puede estirar sin ruptura un filamento de nylon es una v.a. exponencial con media de 5000 pies. Cual es la probabilidad aproximadamente que la longitud media de 100 filamentos este comprendido entre 4750 y 5550 pies. SOLUCION
1 X :~ . EXP 5000

X: longitud de estiramiento sn ruptura del i-esimo filamento


E ( x) = 1

i=1,2....100

= 5000
2

por

Zn =

( xn ) n

estandarizando

1 V ( x ) = = (5000) 2

(4570 5000 ) 5550 5000 100 P[4750 x100 5550] = 100 z 5000 5000

= 100

P[ 0.5 z100 1.1] = F (1) F (0.5) = 0.8643 0.3085 = 0.5558

APROXIMACIONES DE LAS DISTRIBUCIONES DISCRETAS A LA NORMAL Mediante el teorema central del limite, se pueden aproximar distribuciones discretas a la norma, para ello se debe convertir un v.a continuo, mediante factores de correccin de acuerdo a las siguientes situaciones:

1) P[x = x ] = P[x 0.5 x x + 0.5] 2) P[x x ] = P[x x x + 0.5] 3) P[x < x ] = P[x x x 0.5] 4) P[x x ] = P[x x 0.5] 5) P[x > x ] = P[x x + 0.5] 6) P[a x b] = P[a 0.5 x b + 0.5]

33

RESUMEN DE LAS APROXIMACIONES MEDIANTE


Z=

X
i 2 i

Z~ . N (0.1)

DISTRIBUCION BINOMIAL

REQUISITO
n > 10; p np > 5; p nq >; p >
1 2 1 2 1 2

MEDIA VARIANZA
= np V ( x) = npq

V.A ESTANDAR CORREGIDA x 0.5 np Z npq

Hipergeomtrica n 0.1N n 0.05 N

= n N
M M V ( x ) = n 1 N N

[M ] N [1 M ][N n ] nM N N N 1
x 0.5

POISSON

n n > 5

= =
2

x 0.5 n n

Ejemplo 1 1 si la v.a. X....b(20;0.5) calcular la P[x =7] a) De manera exacta b) Aproximada SOLUCION
x p x q n x ; x = 0.1.2...n Sabemos que P( x) = n

Donde

n=20 p=0.5 q=0.5

a) Exactamente o con la verdadera distribucin binomial


20 7 13 P ( x = 7) = 7 (0.5) (0.5) = 0.0739

b) Aproximadamente mediante la Normal Donde np =10 corrigiendo P[7 0.5 x 7 + 0.5]

34

P[6.5 x 7.5]

PZ

= P[Z 1.12] P[Z 1.57] = F ( 1.12 ) F ( 1.57 ) = 0.0732

npq 10(0.5)(0.5) = 2.24 P[6.5 x 7.5] estandarizando


7.5 10 2.24

] P[Z

6.5 10 2.24

Ejemplo 2 Suponga que la probabilidad de que cierta marca de CPU, esta en servicio despus de 1 ao es 0.80. Si la U adquiere 35 de tales CPUs. Cual la probabilidad de que a) 7 b) al menos 5 de las CPUs adquiridos NO esta en servicio despus de 1 ao? SOLUCION Xb(n,p) Xb(35;0.20) n = 35; p =0,20;
npq = 5.6 = 2.3664

q =0,80

Como n = 35>10 y p=0.20<0.5 podemos aproximar mediante la Normal con np=7 y

a)
P[x = 7] = P[6.5 x 7.5] donde Z =

x 0.5 np npq

7.5 7 6.5 7 P Z = P[ 0.2113 Z 0.2113] = P[Z 0.21] P[Z 0.21] 2.3664 2.3664 = F (0.21) F (0.21) = 0.1664

b)

P[x 5] = P[x 5 0.5] = P[x 4.5] = 1 P[x < 5]

4 .5 7 = 1 P Z = 1 P[Z < 1.056] = 1 F ( 1.06) = 0.8554 2.3664

Ejemplo 3 El tiempo que un cajero de un banco emplea para atender a un cliente es una v.a. con media 3.1 minutos y una desviacin estndar de 1.7 minutos. Si se observan los tiempos y corresponden a 64 clientes Cul la probabilidad de que el tiempo promedio de los mismos sea por menos 3.4 minutos?

35

SOLUCIN Como X ~ . P(x)


= = 3.1 = = 3.1 = 1.7
2

P[x 64 > 3.4] = 1 P[x 64 < 3.4] (3.4 3.1) 64 = 1 P[z < 1.41] 1 Pz < 1.7 = 1 F (1.41) = 1 0.9207 = 0.0793

n = 64

36